「文本转图像」共找到 940 篇相关文章
PDF难点解析：处理复杂表格、水印、印章、复选框、信息抽取等7项任务，6大能力
文章介绍Nanonets - OCR - s可处理关键信息提取、视觉问答等7项任务，具备LaTeX方程识别、图像描述等6项能力，还给出体验链接。但测试发现英文体验优于中文，模型有重复输出、幻觉严重问题。
SIGGRAPH 2025最佳论文出炉，清华、上科大、厦大获奖！谷歌拿下两篇
SIGGRAPH 2025技术论文奖项揭晓，投稿量首破970篇。5篇最佳论文涉及3D重建、图像个性化等前沿方向，清华、厦大、上科大均有入选，还有荣誉提名论文和时间检验奖论文公布。
自定义轨迹驱动AI视频生成，ATI无需训练适配多种生成模型
字节提出视频生成运动控制统一框架ATI，通过轻量级运动注入器将用户定义轨迹投影至预训练图像 - 视频生成模型潜在空间，实现协调控制。用户指定关键点及路径控制运动，无需重新训练，适配不同架构。
实测对比！扣子空间播客功能完爆 NotebookLM，覆盖场景更大
多模态是大模型热门应用概念，文本生成语音赛道受资本青睐。作者实测对比扣子空间和NotebookLM，发现扣子空间播客功能更优，能精准拿捏尺度，覆盖场景大，还能做旅行攻略、生成网站等。
一个LoRA实现GPT-4o级图像编辑！浙大哈佛新模型冲上Hugging Face榜二
随着Gemini、GPT - 4o等把基于文本的图像编辑推向高峰，提高性能常需大量数据和大参数量模型。而浙大哈佛团队提出ICEdit，用少量数据和参数实现高质量图像编辑，媲美甚至超越商业大模型。
细节直逼亚毫米级！港科广分层建模突破3D人体生成｜CVPR 2025
港科广团队提出MultiGO创新方案，借助分层建模思路突破3D人体生成难题。该方案通过三级几何学习框架提升重建质量，在多个测试集上性能领先，且在多领域有应用优势，研究成果入选CVPR 2025，项目代码将开源。
55.9K star！微软硬核开源文档转换神器，LLM最佳拍档！
介绍微软开源的轻量级Python文档转换工具MarkItDown，它支持20+格式智能转换为结构化Markdown，专为LLM文本分析场景优化，解决开发者处理多格式文档痛点，还阐述其功能、技术架构等内容。
Meta首个Agent生图模型登场，空降竞技场第二
Meta超智能实验室推出图像生成模型Muse Image，引入智能体机制，能编写代码、网络搜索，有自主修正能力，支持算力扩展、多轮编辑与画面合成。还预览了Muse Video，两模型均与Meta产品深度整合。
夯，开源 LiteParse，没有对手的 PDF 解析工具，知道的太晚了！
LlamaIndex团队开源独立工具LiteParse，用Rust打造，可本地运行、零成本、高精度解析PDF。它能提取文本及精确位置，有多种输出格式，支持多格式输入，还介绍了安装、使用、OCR配置等内容及应用场景。
首个语音智能体端到端测评出炉：Grok登顶，真实场景通过率仅一半
Artificial Analysis推出业内首个语音转语音智能体端到端性能基准τ - Voice，测试真实客服场景能力。结果显示最强S2S模型成功率刚过一半，Grok Voice Think Fast 1.0夺冠，但也面临诸多质疑。